Amazon SageMaker এবং Amazon Recognition ব্যবহার করে ইমেজে গাড়ির অবস্থান সনাক্ত করতে কম্পিউটার ভিশন মডেল তৈরি এবং প্রশিক্ষণ দিন | আমাজন ওয়েব সার্ভিসেস

কম্পিউটার ভিশন (সিভি) মেশিন লার্নিং (এমএল) এবং গভীর শিক্ষার সবচেয়ে সাধারণ অ্যাপ্লিকেশনগুলির মধ্যে একটি। স্ব-ড্রাইভিং গাড়ি, সোশ্যাল মিডিয়া প্ল্যাটফর্মে বিষয়বস্তু সংযম, ক্যান্সার সনাক্তকরণ, এবং স্বয়ংক্রিয় ত্রুটি সনাক্তকরণ থেকে শুরু করে কেস পরিসর ব্যবহার করুন। আমাজন রেকোনিশন একটি সম্পূর্ণরূপে পরিচালিত পরিষেবা যা কোনও পূর্বের এমএল অভিজ্ঞতার প্রয়োজন ছাড়াই ডেটা থেকে অন্তর্দৃষ্টি বের করার জন্য অবজেক্ট সনাক্তকরণ, ভিডিও বিভাগ সনাক্তকরণ, বিষয়বস্তু সংযমকরণ এবং আরও অনেক কিছুর মতো সিভি কার্য সম্পাদন করতে পারে। কিছু ক্ষেত্রে, একটি খুব নির্দিষ্ট সমস্যা সমাধানের জন্য পরিষেবার সাথে আরও একটি কাস্টম সমাধান প্রয়োজন হতে পারে।

এই পোস্টে, আমরা সেই জায়গাগুলির কথা বলি যেখানে সিভি প্রয়োগ করা যেতে পারে এমন ক্ষেত্রে যেখানে বস্তুর ভঙ্গি, তাদের অবস্থান এবং অভিযোজন গুরুত্বপূর্ণ। এরকম একটি ব্যবহারের ক্ষেত্রে গ্রাহক-মুখী মোবাইল অ্যাপ্লিকেশন হবে যেখানে একটি ছবি আপলোড প্রয়োজন। এটি সম্মতির কারণে হতে পারে বা একটি ধারাবাহিক ব্যবহারকারীর অভিজ্ঞতা প্রদান এবং ব্যস্ততা উন্নত করার জন্য হতে পারে। উদাহরণ স্বরূপ, অনলাইন শপিং প্ল্যাটফর্মে, ছবিগুলিতে পণ্যগুলি যে কোণে দেখানো হয়েছে তা এই পণ্য কেনার হারের উপর প্রভাব ফেলে৷ এরকম একটি ক্ষেত্রে একটি গাড়ির অবস্থান সনাক্ত করা হয়। আমরা দেখাই কিভাবে আপনি AWS ক্লাউডে এই সমস্যাটির সমাধান করতে পোস্টপ্রসেসিংয়ের সাথে সুপরিচিত ML সমাধানগুলিকে একত্রিত করতে পারেন।

এই সমস্যা সমাধানের জন্য আমরা গভীর শিক্ষার মডেল ব্যবহার করি। পোজ অনুমানের জন্য ML অ্যালগরিদম প্রশিক্ষণের জন্য প্রচুর দক্ষতা এবং কাস্টম প্রশিক্ষণ ডেটা প্রয়োজন। উভয় প্রয়োজনীয়তা প্রাপ্ত করা কঠিন এবং ব্যয়বহুল। অতএব, আমরা দুটি বিকল্প উপস্থাপন করি: একটি যার কোনো এমএল দক্ষতার প্রয়োজন নেই এবং অ্যামাজন স্বীকৃতি ব্যবহার করে, এবং আরেকটি যা ব্যবহার করে আমাজন সেজমেকার একটি কাস্টম এমএল মডেল প্রশিক্ষণ এবং স্থাপন করতে। প্রথম বিকল্পে, আমরা গাড়ির চাকা সনাক্ত করতে Amazon Recognition ব্যবহার করি। তারপরে আমরা একটি নিয়ম-ভিত্তিক সিস্টেম ব্যবহার করে চাকার অবস্থান থেকে গাড়ির অভিযোজন অনুমান করি। দ্বিতীয় বিকল্পে, আমরা ব্যবহার করে চাকা এবং অন্যান্য গাড়ী অংশ সনাক্ত ডিটেকট্রন মডেল. এগুলি আবার নিয়ম-ভিত্তিক কোড দিয়ে গাড়ির অবস্থান অনুমান করতে ব্যবহৃত হয়। দ্বিতীয় বিকল্পটির জন্য ML অভিজ্ঞতা প্রয়োজন তবে এটি আরও কাস্টমাইজযোগ্য। এটি চিত্রটিতে আরও পোস্টপ্রসেসিংয়ের জন্য ব্যবহার করা যেতে পারে, উদাহরণস্বরূপ, পুরো গাড়িটি কাটানোর জন্য। উভয় বিকল্পই সর্বজনীনভাবে উপলব্ধ ডেটাসেটে প্রশিক্ষণপ্রাপ্ত হতে পারে। পরিশেষে, আমরা দেখাই কিভাবে আপনি এই ধরনের পরিষেবা ব্যবহার করে আপনার বিদ্যমান ওয়েব অ্যাপ্লিকেশনে এই গাড়ি পোজ সনাক্তকরণ সমাধানকে একীভূত করতে পারেন অ্যামাজন এপিআই গেটওয়ে এবং এডাব্লুএস পরিবর্ধক.

সমাধান ওভারভিউ

নিম্নলিখিত চিত্রটি সমাধানের স্থাপত্যকে চিত্রিত করে।

সমাধানটি অ্যামপ্লিফায় একটি মক ওয়েব অ্যাপ্লিকেশন নিয়ে গঠিত যেখানে একজন ব্যবহারকারী একটি ছবি আপলোড করতে পারে এবং গাড়ির অবস্থান সনাক্ত করতে অ্যামাজন রিকগনিশন মডেল বা কাস্টম ডিটেক্ট্রন মডেল ব্যবহার করতে পারে। প্রতিটি বিকল্পের জন্য, আমরা একটি হোস্ট এডাব্লুএস ল্যাম্বদা একটি API গেটওয়ের পিছনে ফাংশন যা আমাদের মক অ্যাপ্লিকেশনের কাছে উন্মুক্ত। SageMaker বা Amazon Recognition-এ প্রশিক্ষিত ডিটেকট্রন মডেলের সাথে চালানোর জন্য আমরা আমাদের Lambda ফাংশন কনফিগার করেছি।

পূর্বশর্ত

এই ওয়াকথ্রুটির জন্য, আপনার নিম্নলিখিত পূর্বশর্তগুলি থাকা উচিত:

Amazon Recognition ব্যবহার করে একটি সার্ভারহীন অ্যাপ তৈরি করুন

আমাদের প্রথম বিকল্পটি দেখায় কিভাবে আপনি Amazon Recognition ব্যবহার করে চিত্রগুলিতে গাড়ির অভিযোজন সনাক্ত করতে পারেন৷ ধারণাটি হ'ল গাড়ির অবস্থান এবং এর চাকার সনাক্ত করতে অ্যামাজন স্বীকৃতি ব্যবহার করা এবং তারপরে এই তথ্য থেকে গাড়ির অভিযোজন বের করার জন্য পোস্টপ্রসেসিং করা। সম্পূর্ণ সমাধান Lambda ব্যবহার করে স্থাপন করা হয়েছে যেমন দেখানো হয়েছে Github সংগ্রহস্থল. এই ফোল্ডারটিতে দুটি প্রধান ফাইল রয়েছে: একটি ডকারফাইল যা ডকার চিত্রটিকে সংজ্ঞায়িত করে যা আমাদের ল্যাম্বডা ফাংশনে চলবে, এবং app.py ফাইল, যা ল্যাম্বডা ফাংশনের প্রধান এন্ট্রি পয়েন্ট হবে:

def lambda_handler(event, context): body_bytes = json.loads(event["body"])["image"].split(",")[-1] body_bytes = base64.b64decode(body_bytes) rek = boto3.client('rekognition') response = rek.detect_labels(Image={'Bytes': body_bytes}, MinConfidence=80) angle, img = label_image(img_string=body_bytes, response=response) buffered = BytesIO() img.save(buffered, format="JPEG") img_str = "data:image/jpeg;base64," + base64.b64encode(buffered.getvalue()).decode('utf-8')

Lambda ফাংশন এমন একটি ইভেন্টের প্রত্যাশা করে যাতে একটি শিরোনাম এবং বডি থাকে, যেখানে বডিটি বেস64 ডিকোডেড অবজেক্ট হিসাবে লেবেল করার জন্য প্রয়োজনীয় চিত্র হওয়া উচিত। ছবিটি দেওয়া হয়েছে, অ্যামাজন স্বীকৃতি detect_labels ব্যবহার করে Lambda ফাংশন থেকে ফাংশন আহ্বান করা হয় বোটো৩. ফাংশনটি চিত্রের প্রতিটি অবজেক্টের জন্য এক বা একাধিক লেবেল এবং প্রতিক্রিয়ার অংশ হিসাবে সনাক্ত করা সমস্ত অবজেক্ট লেবেলের জন্য বাউন্ডিং বক্সের বিবরণ প্রদান করে, সাথে অন্যান্য তথ্য যেমন নির্ধারিত লেবেলের আস্থা, সনাক্তকৃত লেবেলের পূর্বপুরুষ লেবেল, সম্ভাব্য লেবেলের উপনাম, এবং শনাক্ত করা লেবেলটি যে বিভাগগুলির অন্তর্গত। Amazon Recognition দ্বারা প্রত্যাবর্তিত লেবেলের উপর ভিত্তি করে, আমরা ফাংশনটি চালাই label_image, যা সনাক্ত করা চাকার থেকে গাড়ির কোণটি নিম্নরূপ গণনা করে:

n_wheels = len(wheel_instances) wheel_centers = [np.array(_extract_bb_coords(wheel, img)).mean(axis=0)
for wheel in wheel_instances] wheel_center_comb = list(combinations(wheel_centers, 2))
vecs = [(k, pair[0] - pair[1]) for k,pair in enumerate(wheel_center_comb)]
vecs = sorted(vecs, key = lambda vec: np.linalg.norm(vec[1])) vec_rel = vecs[1] if n_wheels == 3 else vecs[0]
angle = math.degrees(math.atan(vec_rel[1][1]/vec_rel[1][0])) wheel_centers_rel = [tuple(wheel.tolist()) for wheel in
wheel_center_comb[vec_rel[0]]]

মনে রাখবেন যে অ্যাপ্লিকেশানটির প্রয়োজন যে শুধুমাত্র একটি গাড়ি চিত্রটিতে উপস্থিত থাকে এবং যদি তা না হয় তবে একটি ত্রুটি প্রদান করে৷ যাইহোক, পোস্টপ্রসেসিংকে আরও দানাদার অভিযোজন বিবরণ প্রদান করতে, বেশ কয়েকটি গাড়ি কভার করতে বা আরও জটিল বস্তুর অভিযোজন গণনা করার জন্য অভিযোজিত করা যেতে পারে।

চাকা সনাক্তকরণ উন্নত করুন

চাকা সনাক্তকরণের নির্ভুলতা আরও উন্নত করতে, আপনি ব্যবহার করতে পারেন অ্যামাজন স্বীকৃতি কাস্টম লেবেল. একটি কাস্টম এমএল মডেলকে প্রশিক্ষণ এবং স্থাপন করার জন্য SageMaker ব্যবহার করে ফাইন-টিউনিংয়ের মতো, আপনি আপনার নিজস্ব লেবেলযুক্ত ডেটা আনতে পারেন যাতে Amazon Recognition আপনার জন্য মাত্র কয়েক ঘন্টার মধ্যে একটি কাস্টম চিত্র বিশ্লেষণ মডেল তৈরি করতে পারে। রেকগনিশন কাস্টম লেবেলগুলির সাথে, আপনার শুধুমাত্র একটি ছোট সেট প্রশিক্ষণ চিত্রের প্রয়োজন যা আপনার ব্যবহারের ক্ষেত্রে নির্দিষ্ট, এই ক্ষেত্রে নির্দিষ্ট কোণ সহ গাড়ির ছবি, কারণ এটি অ্যামাজনে বিদ্যমান সক্ষমতাগুলি ব্যবহার করে লক্ষ লক্ষ ছবির উপর প্রশিক্ষিত হওয়ার স্বীকৃতি অনেক বিভাগ। রিকগনিশন কাস্টম লেবেলগুলিকে আমরা স্ট্যান্ডার্ড অ্যামাজন রিকগনিশন সলিউশনের জন্য ব্যবহার করি ল্যাম্বডা ফাংশনে শুধুমাত্র কয়েকটি ক্লিক এবং ছোট অভিযোজনের সাথে একত্রিত করা যেতে পারে।

একটি SageMaker প্রশিক্ষণ কাজ ব্যবহার করে একটি মডেল প্রশিক্ষণ

আমাদের দ্বিতীয় বিকল্পে, আমরা SageMaker-এ একটি কাস্টম ডিপ লার্নিং মডেল প্রশিক্ষণ দিই। আমরা ব্যবহার করি Detectron2 ফ্রেমওয়ার্ক গাড়ির যন্ত্রাংশের বিভাজনের জন্য। এই বিভাগগুলি গাড়ির অবস্থান অনুমান করতে ব্যবহৃত হয়।

Detectron2 ফ্রেমওয়ার্ক হল একটি লাইব্রেরি যা অত্যাধুনিক সনাক্তকরণ এবং সেগমেন্টেশন অ্যালগরিদম প্রদান করে। ডিটেক্ট্রন বিভিন্ন মাস্ক R-CNN মডেল সরবরাহ করে যেগুলি বিখ্যাত COCO (প্রসঙ্গে সাধারণ বস্তু) ডেটাসেটে প্রশিক্ষিত ছিল। আমাদের গাড়ির অবজেক্ট ডিটেকশন মডেল তৈরি করতে, আমরা ট্রান্সফার লার্নিং ব্যবহার করে একটি পূর্বপ্রশিক্ষিত মাস্ক R-CNN মডেলকে ফাইন-টিউন করতে গাড়ির যন্ত্রাংশ বিভাজন ডেটাসেট এই ডেটাসেটটি আমাদের এমন একটি মডেলকে প্রশিক্ষণ দিতে দেয় যা চাকা শনাক্ত করতে পারে কিন্তু গাড়ির অন্যান্য অংশগুলিও সনাক্ত করতে পারে। এই অতিরিক্ত তথ্যটি চিত্রের সাথে সম্পর্কিত গাড়ির কোণ গণনায় আরও ব্যবহার করা যেতে পারে।

ডেটাসেটে গাড়ির অংশগুলির টীকাযুক্ত ডেটা রয়েছে যা অবজেক্ট সনাক্তকরণ এবং শব্দার্থিক বিভাজন কাজের জন্য ব্যবহার করা হবে: সেডান, পিকআপ এবং স্পোর্টস ইউটিলিটি যানের (SUV) প্রায় 500টি ছবি, একাধিক ভিউ (সামনে, পিছনে এবং পাশের দৃশ্য) নেওয়া হয়েছে। প্রতিটি ইমেজ 18টি ইনস্ট্যান্স মাস্ক এবং বাউন্ডিং বাক্স দ্বারা টীকা করা হয় যা একটি গাড়ির বিভিন্ন অংশ যেমন চাকা, আয়না, লাইট এবং সামনের এবং পিছনের কাচের প্রতিনিধিত্ব করে। আমরা চাকার বেস টীকাগুলি এমনভাবে পরিবর্তন করেছি যে প্রতিটি চাকাকে একটি পৃথক বস্তু হিসাবে বিবেচনা করার পরিবর্তে চিত্রের সমস্ত উপলব্ধ চাকাকে একটি বস্তু হিসাবে বিবেচনা করা হয়।

আমরা ব্যাবহার করি আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) প্রশিক্ষিত মডেল আর্টিফ্যাক্ট সহ ডিটেকট্রন মডেলের প্রশিক্ষণের জন্য ব্যবহৃত ডেটাসেট সংরক্ষণ করতে। অধিকন্তু, ল্যাম্বডা ফাংশনে চলা ডকার কন্টেইনারটি সংরক্ষণ করা হয় অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (আমাজন ইসিআর)। ল্যাম্বডা ফাংশনে ডকার কন্টেইনারটি কোড চালানোর জন্য প্রয়োজনীয় লাইব্রেরি এবং নির্ভরতা অন্তর্ভুক্ত করার জন্য প্রয়োজন। আমরা বিকল্পভাবে ব্যবহার করতে পারে ল্যাম্বডা স্তর, কিন্তু এটি 250 MB এর একটি আনজিপড ডিপ্লয়মেন্ট প্যাকেজড সাইজের কোটার মধ্যে সীমাবদ্ধ এবং একটি Lambda ফাংশনে সর্বাধিক পাঁচটি স্তর যোগ করা যেতে পারে।

আমাদের সমাধান সেজমেকারে নির্মিত: আমরা প্রিবিল্ট প্রসারিত করি সেজমেকার ডকার পাত্রে PyTorch আমাদের কাস্টম PyTorch চালানোর জন্য প্রশিক্ষণ কোড. এরপরে, আমরা সেজমেকার পাইথন SDK ব্যবহার করি ট্রেনিং ইমেজটিকে সেজমেকার পাইটর্চ এস্টিমেটরে মোড়ানো, যেমনটি নিম্নলিখিত কোড স্নিপেটে দেখানো হয়েছে:

d2_estimator = Estimator( image_uri=training_image_uri, role=role, sagemaker_session=sm_session, instance_count=1, instance_type=training_instance, output_path=f"s3://{session_bucket}/{prefix_model}", base_job_name=f"detectron2") d2_estimator.fit({ "training": training_channel, "validation": validation_channel, }, wait=True)

অবশেষে, আমরা কল করে প্রশিক্ষণের কাজ শুরু করি fit() তৈরি PyTorch অনুমানকারীর উপর ফাংশন। প্রশিক্ষণ শেষ হলে, অনুমান পাইপলাইনের জন্য ব্যবহার করার জন্য প্রশিক্ষিত মডেল আর্টিফ্যাক্ট Amazon S3-এর সেশন বাকেটের মধ্যে সংরক্ষণ করা হয়।

SageMaker এবং অনুমান পাইপলাইন ব্যবহার করে মডেল স্থাপন করুন

আমরা আমাদের কাস্টম ডিটেকট্রন মডেলটি চালায় এমন ইনফারেন্স এন্ডপয়েন্ট হোস্ট করতে সেজমেকার ব্যবহার করি। আমাদের সমাধান স্থাপনের জন্য ব্যবহৃত সম্পূর্ণ পরিকাঠামো AWS CDK ব্যবহার করে বিধান করা হয়েছে। আমরা একটি মাধ্যমে আমাদের কাস্টম মডেল হোস্ট করতে পারেন সেজমেকার রিয়েল-টাইম এন্ডপয়েন্ট ফোন করে deploy PyTorch এস্টিমেটরে এই দ্বিতীয়বার আমরা PyTorch Detectron অন্তর্ভুক্ত করার জন্য একটি পূর্বনির্মাণ SageMaker PyTorch কন্টেইনার প্রসারিত করেছি। আমরা অনুমান স্ক্রিপ্ট চালানোর জন্য এটি ব্যবহার করি এবং নিম্নরূপ আমাদের প্রশিক্ষিত PyTorch মডেল হোস্ট করি:

model = PyTorchModel( name="d2-sku110k-model", model_data=d2_estimator.model_data, role=role, sagemaker_session=sm_session, entry_point="predict.py", source_dir="src", image_uri=serve_image_uri, framework_version="1.6.0") predictor = model.deploy( initial_instance_count=1, instance_type="ml.g4dn.xlarge", endpoint_name="detectron-endpoint", serializer=sagemaker.serializers.JSONSerializer(), deserializer=sagemaker.deserializers.JSONDeserializer(), wait=True)

মনে রাখবেন যে আমরা স্থাপনের জন্য একটি ml.g4dn.xlarge GPU ব্যবহার করেছি কারণ এটি এই ডেমোর জন্য উপলব্ধ সবচেয়ে ছোট GPU এবং যথেষ্ট। দুটি উপাদান আমাদের মধ্যে কনফিগার করা প্রয়োজন অনুমান লিপি: মডেল লোডিং এবং মডেল পরিবেশন. কাজ model_fn() প্রশিক্ষিত মডেলটি লোড করতে ব্যবহৃত হয় যা হোস্ট করা ডকার কন্টেইনারের অংশ এবং এটি Amazon S3-তেও পাওয়া যেতে পারে এবং একটি মডেল অবজেক্ট ফেরত দেয় যা মডেল পরিবেশনের জন্য ব্যবহার করা যেতে পারে:

def model_fn(model_dir: str) -> DefaultPredictor: for p_file in Path(model_dir).iterdir(): if p_file.suffix == ".pth": path_model = p_file cfg = get_cfg() cfg.MODEL.WEIGHTS = str(path_model) return DefaultPredictor(cfg)

কাজ predict_fn() ভবিষ্যদ্বাণী সম্পাদন করে এবং ফলাফল প্রদান করে। আমাদের প্রশিক্ষিত মডেল ব্যবহার করার পাশাপাশি, আমরা ছবির মূল গাড়িটি বের করতে COCO ডেটাসেটে প্রশিক্ষিত মাস্ক R-CNN মডেলের একটি পূর্বপ্রশিক্ষিত সংস্করণ ব্যবহার করি। এটি একটি অতিরিক্ত পোস্টপ্রসেসিং পদক্ষেপ যেখানে একাধিক গাড়ি বিদ্যমান রয়েছে এমন চিত্রগুলির সাথে মোকাবিলা করার জন্য। নিম্নলিখিত কোড দেখুন:

def predict_fn(input_img: np.ndarray, predictor: DefaultPredictor) -> Mapping: pretrained_predictor = _get_pretraind_model() car_mask = get_main_car_mask(pretrained_predictor, input_img) outputs = predictor(input_img) fmt_out = { "image_height": input_object.shape[0], "image_width": input_object.shape[1], "pred_boxes": outputs["instances"].pred_boxes.tensor.tolist(), "scores": outputs["instances"].scores.tolist(), "pred_classes": outputs["instances"].pred_classes.tolist(), "car_mask": car_mask.tolist() } return fmt_out

আমাজন স্বীকৃতি সমাধানের অনুরূপ, বাউন্ডিং বাক্সগুলির জন্য ভবিষ্যদ্বাণী করা হয়েছে wheel ক্লাস সনাক্তকরণ আউটপুট থেকে ফিল্টার করা হয় এবং আউটপুট আপেক্ষিক গাড়ির অবস্থান মূল্যায়ন করার জন্য পোস্টপ্রসেসিং মডিউলে সরবরাহ করা হয়।

অবশেষে, আমরা Detectron সমাধানের জন্য পোস্টপ্রসেসিং উন্নত করেছি। সমাধানটি অনুমান করতে এটি গাড়ির বিভিন্ন অংশের অংশগুলিও ব্যবহার করে। উদাহরণস্বরূপ, যখনই একটি সামনের বাম্পার শনাক্ত করা হয়, কিন্তু কোন পিছনের বাম্পার নেই, তখন ধরে নেওয়া হয় যে আমাদের কাছে গাড়িটির সামনের দৃশ্য রয়েছে এবং সংশ্লিষ্ট কোণটি গণনা করা হয়।

ওয়েব অ্যাপ্লিকেশনে আপনার সমাধান সংযোগ করুন

মডেল এন্ডপয়েন্টগুলিকে Amplify-এ সংযুক্ত করার পদক্ষেপগুলি নিম্নরূপ:

• AWS CDK স্ট্যাক তৈরি করা অ্যাপ্লিকেশন রিপোজিটরি ক্লোন করুন, যার নাম car-angle-detection-website-repo. আপনি যে অঞ্চলে স্থাপনার জন্য ব্যবহার করেছেন সেখানে আপনি এটি খুঁজছেন তা নিশ্চিত করুন।
• প্রতিটি স্থাপন করা Lambda ফাংশনের জন্য API গেটওয়ে এন্ডপয়েন্ট কপি করুন index.html পূর্ববর্তী সংগ্রহস্থলে ফাইল (এমন স্থানধারক রয়েছে যেখানে শেষ পয়েন্ট স্থাপন করা প্রয়োজন)। নিচের কোডটি হল .html ফাইলের এই অংশটি দেখতে কেমন তার একটি উদাহরণ:

<td align="center" colspan="2">
<select id="endpoint">
<option value="https://ey82aaj8ch.execute-api.eu-central-1.amazonaws.com/prod/"> Amazon Rekognition</option>
<option value="https://nhq6q88xjg.execute-api.eu-central-1.amazonaws.com/prod/"> Amazon SageMaker Detectron</option>
</select>
<input class="btn" type="file" id="ImageBrowse" />
<input class="btn btn-primary" type="submit" value="Upload">
</td>

• HTML ফাইলটি সংরক্ষণ করুন এবং দূরবর্তী প্রধান শাখায় কোড পরিবর্তনটি চাপুন।

এটি স্থাপনায় HTML ফাইল আপডেট করবে। অ্যাপ্লিকেশন এখন ব্যবহারের জন্য প্রস্তুত.

• অ্যামপ্লিফাই কনসোলে নেভিগেট করুন এবং আপনার তৈরি করা প্রকল্পটি সনাক্ত করুন।

প্রয়োগ সম্পূর্ণ হওয়ার পরে অ্যাপ্লিকেশন URLটি দৃশ্যমান হবে৷

• URL এ নেভিগেট করুন এবং UI এর সাথে মজা করুন৷

উপসংহার

অভিনন্দন! আমরা একটি সম্পূর্ণ সার্ভারবিহীন আর্কিটেকচার স্থাপন করেছি যেখানে আমরা অ্যামাজন স্বীকৃতি ব্যবহার করেছি, তবে আপনার নিজস্ব কাস্টম মডেলের জন্য একটি বিকল্পও দিয়েছি, এই উদাহরণটিতে উপলব্ধ GitHub. যদি আপনার দলে ML দক্ষতা বা মডেলকে প্রশিক্ষণ দেওয়ার জন্য যথেষ্ট কাস্টম ডেটা না থাকে, তাহলে আপনি Amazon Recognition ব্যবহার করে এমন বিকল্পটি নির্বাচন করতে পারেন। আপনি যদি আপনার মডেলের উপর আরও নিয়ন্ত্রণ চান, এটিকে আরও কাস্টমাইজ করতে চান এবং পর্যাপ্ত ডেটা থাকে তবে আপনি সেজমেকার সমাধানটি বেছে নিতে পারেন। আপনার যদি ডেটা বিজ্ঞানীদের একটি দল থাকে তবে তারা মডেলগুলিকে আরও উন্নত করতে এবং আরও কাস্টম এবং নমনীয় বিকল্প বেছে নিতে চাইতে পারে। আপনি দুটি বিকল্পের যেকোনো একটি ব্যবহার করে আপনার ওয়েব অ্যাপ্লিকেশনের পিছনে ল্যাম্বডা ফাংশন এবং API গেটওয়ে রাখতে পারেন। আপনি এই পদ্ধতিটি একটি ভিন্ন ব্যবহারের ক্ষেত্রে ব্যবহার করতে পারেন যার জন্য আপনি কোডটি মানিয়ে নিতে চাইতে পারেন।

এই সার্ভারহীন আর্কিটেকচারের সুবিধা হল বিল্ডিং ব্লকগুলি সম্পূর্ণ বিনিময়যোগ্য। সুযোগ প্রায় সীমাহীন. সুতরাং, আজ শুরু করুন!

বরাবরের মতো, AWS প্রতিক্রিয়া স্বাগত জানায়। কোন মন্তব্য বা প্রশ্ন জমা দিন.

লেখক সম্পর্কে

মাইকেল ওয়ালনার AWS প্রফেশনাল সার্ভিসের সাথে একজন সিনিয়র কনসালটেন্ট ডেটা এবং AI এবং AWS ক্লাউডে ডেটা-চালিত এবং AWSome হওয়ার জন্য গ্রাহকদের তাদের যাত্রায় সক্ষম করার বিষয়ে উত্সাহী। সর্বোপরি, তিনি গ্রাহকদের জন্য নতুন ধারনা উদ্ভাবন এবং উদ্ভাবনের জন্য তাদের সাথে বড় চিন্তা করতে পছন্দ করেন।

আমনা নাজমী AWS প্রফেশনাল সার্ভিসের সাথে একজন ডেটা সায়েন্টিস্ট। তিনি গ্রাহকদের বিগ ডেটা এবং কৃত্রিম বুদ্ধিমত্তা প্রযুক্তির মাধ্যমে ব্যবসার মূল্য এবং ডেটা থেকে অন্তর্দৃষ্টি ট্যাপ করার জন্য উদ্ভাবনে সহায়তা করার বিষয়ে উত্সাহী৷ ডাটা প্ল্যাটফর্মে এবং স্বাস্থ্যসেবা এবং জীবন বিজ্ঞানে উল্লম্বভাবে এআই/এমএল প্রকল্পে কাজ করার অভিজ্ঞতা রয়েছে তার। তার অবসর সময়ে, তিনি বাগান করা এবং নতুন জায়গায় ভ্রমণ উপভোগ করেন।

ডেভিড সৌরওয়েইন তিনি AWS প্রফেশনাল সার্ভিসেস-এর একজন সিনিয়র ডেটা সায়েন্টিস্ট, যেখানে তিনি AWS ক্লাউডে গ্রাহকদের তাদের AI/ML যাত্রায় সক্ষম করেন। ডেভিড ডিজিটাল যমজ, পূর্বাভাস এবং কোয়ান্টাম গণনার উপর দৃষ্টি নিবদ্ধ করে। তিনি অস্ট্রিয়ার ইনসব্রুক বিশ্ববিদ্যালয় থেকে তাত্ত্বিক পদার্থবিদ্যায় পিএইচডি করেছেন। এছাড়াও তিনি জার্মানির ম্যাক্স-প্ল্যাঙ্ক-ইনস্টিটিউট ফর কোয়ান্টাম অপটিক্স-এর একজন ডক্টরেট এবং পোস্ট-ডক্টরাল গবেষক ছিলেন। তার অবসর সময়ে তিনি পড়তে, স্কি করতে এবং তার পরিবারের সাথে সময় কাটাতে পছন্দ করেন।

শ্রীকৃষ্ণ চৈতন্য কোন্ডুরু AWS পেশাদার পরিষেবা সহ একজন সিনিয়র ডেটা সায়েন্টিস্ট। তিনি গ্রাহকদের AWS-এ তাদের ML অ্যাপ্লিকেশনের প্রোটোটাইপিং এবং পরিচালনায় সহায়তা করেন। শ্রীকৃষ্ণ কম্পিউটার ভিশন এবং এনএলপি-তে মনোনিবেশ করেন। এছাড়াও তিনি এমএল প্ল্যাটফর্ম ডিজাইন এবং বিভিন্ন শিল্প উল্লম্ব জুড়ে গ্রাহকদের জন্য কেস শনাক্তকরণ উদ্যোগের নেতৃত্ব দেন। শ্রীকৃষ্ণ জার্মানির আরডব্লিউটিএইচ আচেন ইউনিভার্সিটি থেকে বায়োমেডিকেল ইঞ্জিনিয়ারিং-এ এমএসসি করেছেন, যেখানে মেডিক্যাল ইমেজিং-এর উপর ফোকাস রয়েছে।

আহমেদ মনসুর AWS প্রফেশনাল সার্ভিসেস-এর একজন ডেটা সায়েন্টিস্ট। তিনি AWS ক্লাউডে গ্রাহকদের AI/ML যাত্রার মাধ্যমে প্রযুক্তিগত সহায়তা প্রদান করেন। আহমেদ RL এর সাথে প্রোটিন ডোমেনে NLP এর প্রয়োগের উপর ফোকাস করেন। তিনি জার্মানির মিউনিখের টেকনিক্যাল ইউনিভার্সিটি থেকে ইঞ্জিনিয়ারিংয়ে পিএইচডি করেছেন। তার অবসর সময়ে তিনি জিমে যেতে এবং তার বাচ্চাদের সাথে খেলতে পছন্দ করেন।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। মোটরগাড়ি / ইভি, কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• ব্লকঅফসেট। পরিবেশগত অফসেট মালিকানার আধুনিকীকরণ। এখানে প্রবেশ করুন.
• উত্স: https://aws.amazon.com/blogs/machine-learning/build-and-train-computer-vision-models-to-detect-car-positions-in-images-using-amazon-sagemaker-and-amazon-rekognition/